对话Om AI赵天成：多年坚守，押注物理AI原生的「流式」未来36氪产业创新·2026年07月13日 10:39用多年时间验证的一个“反共识”判断的商业样本。一个从未见过监控画面的多模态模型，却比在监控数据上练了多年的小模型“老将”更懂监控。这不是科幻电影，这是2023年Om AI联汇的一场“无心插柳”，也是CEO兼首席科学家赵天成博士更加坚信“多模态训练方式能为物理开放世界带来泛化性”的关键节点。彼时，AI行业正在追求以大语言模型为核心的生成式AI。三年后，这个多模态模型演变成了VLX——全球首个面向物理AI的端侧流式多模态模型系列。首次提出“端侧原生流式多模态”这一全新模型架构，而通过这个从Day 1为端侧算力约束设计的架构，VLX模型首次在端侧打通“持续感知+精准定位+行动决策”的物理AI完整闭环。VLX概览图毫无疑问，站在2026年夏天的时间节点，AI行业的热度已经开始从数字AI转向物理AI。不同于数字AI的2023年，虽然物理AI的热度很高，但是行业仍未收敛，多路线并存，距生产落地尚远：以语言为中心的VLA、以像素为中心的视频生成、以3D结构为中心的仿真、以视觉表征为中心的JEPA……行业对最主流的VLA与世界模型两条概念路线的选择，也依然摇摆不定，是替代，还是并存，抑或是融合？就在这一行业还在争论谁是物理AI终极答案之时，Om AI联汇的VLX系列模型已然完成物理AI从仿真实验到产业落地的商业闭环，通过赋予机器人、无人机、可穿戴设备、安防摄像头、AI PC等多类物理终端自主感知的“小脑”和认知决策的“大脑”，让这些物理终端实现从“被动执行指令”向“主动适应场景”跨越。VLX架构图这并非偶然，而是Om AI联汇多年漫长专注后的必然结果。2019年，当赵天成从CMU语言技术所博士毕业时，他的履历足够耀眼：所在实验室导师Maxine Eskenazi是对话系统的开山鼻祖，90年代做出了全球第一个实用化对话智能体；而他本人是实验室第三代系统的缔造者，2016年就率先用神经网络将延续了20年的系统改造成端到端生成式模型。当时进入学术圈当教授、大厂，几乎唾手可得。但他选了第三条路——创业。而且是一条在当时几乎无人理解的路线：不做纯文本大模型，不追生成式AI的热潮，而是死磕“视觉+语言”的流式多模态。即便是当下，这也并非主流的技术路线。行业的主流叙事是“离线抽帧”：视频就是一帧一帧截出来当图片处理，推理是批量的、离散的、一问一答的。而赵天成从一开始就要做的是“流式”：视频像水流一样持续进入模型，AI自己一直在看，不用等人提问。Flow推理速度优势这是赵天成自己的判断。在CMU期间，他经历了雅虎10亿美金的多模态智能体项目，“那让我意识到多模态的价值上限会高很多，它就真的让你感觉这是一个活物，而不只是一个对话的系统。”回国后，他没有跟风当时国内AI公司扎堆的生成式对话模型赛道，而是坚定地把视觉和语言融合在一起，“这两个是主模态，至少90%的物理信息都覆盖掉了。”五年里，从文本生成到文生图，从VLA到世界模型，AI赛道换了三四轮“当红炸子鸡”。2023年语言模型大火，有人曾拉他说“你以前不也搞语言模型的，为什么不出来做？”每一轮都有资本和同行劝他“转个方向更快变现”。“我们的东西，在物理AI之前一直没有成为最火的东西。”赵天成坦言，“一直会有更火的东西摆在前面。”团队里也有小伙伴信心动摇，有人离开，但更多核心伙伴留了下来。留下来的这群人，多年如一日，始终围绕“V和L”这两个点持续产出。五年后的今天，AI行业喊着要从“云端”回到“地面”，要深入产业，并真正产生价值，物理AI成为最热门的概念：2026年上半年，全球物理AI领域仅一季度融资就超过64亿美元；物理AI也开始多场景落地，工业机器人智能化升级、自动驾驶城市NOA大规模普及等端侧智能终端快速渗透……但在物理AI这场浪潮中，VLX系列模型是为数不多的，跑在端侧的流式多模态模型。它回答着一个根本问题：物理世界的AI，到底需要什么架构？VLX系列模型是少数把三个闭环都跑通的公司：模型闭环，让VLX的Flow+Seek+Go在感知—定位—行动上自成一体，不是三个独立模型，是同一条视频流上不可分割的三个能力层；数据闭环，让百万级摄像头、无人机、机器人等真实业务场景持续回流端侧数据，反哺模型迭代；商业闭环，完成PMF，公司营收以亿为单位。VLX三层定义当产业的需求曲线与技术的积累曲线在2026年交汇，一场“长期主义与产业拐点的双向奔赴”也正式上演。而当物理AI终于从“概念炒作期”迈入“场景验证期”，赵天成和他的团队反而显得从容。这不是一个追风者的故事，而是一个关于判断力、定力，以及用多年时间验证的一个“反共识”判断的商业样本。以下是36氪和赵天成对谈，对话经过编辑：Om AI联汇CEO兼首席科学家赵天成博士物理AI的本质：模态，语义、几何、预测和决策36氪：今年物理AI很火，世界模型是其中最热门的技术路线，但又派系林立，众说纷纭，你是如何看待？赵天成：物理AI本身是一个很宏大的主题。从模型的角度来说，不管是什么路线，关键点在于要让其能够理解世界，这本身不是一个单点的事情。就像李飞飞这次发的博客，讲她理解的三条路线，并且最终这三条路线可能会融合在一起，而不是三个离散的东西。在我们的定义里面，物理AI至少4种能力是必须具备的，第一，模型要认识它里面的内容，也就是语义信息；第二，要认识它的几何空间，知道3D形状是什么样的；第三，它能够去做决策和动作控制；第四，在前三者的基础上，它能够对未来的预测。这次我们发布的模型为什么叫VLX，就是因为X代表无限可能，最起码是包含前面说的4种能力。现阶段网上流行的一种说法，VLA已死，世界模型已来，还是偏炒作为主。因为VLA这三个模态怎么会过时？视觉语言动作从概念上是永远不会过时的，但下面的方法肯定会不断变化，把方法和概念挂钩本身是错误的行为。所以我们的理念不是看表面，而是看本质，本质就是刚刚提到的4个核心模态，语义、几何空间、感知规划以及预测这4种能力都搞定了，物理AI也就来了。物理AI本身是一个多维度的事情，比如预测也只是里面的一个维度，但这个维度的确之前做的人比较少，难度比较大。预测未来的画面会怎么发展，也就成了世界模型，这是当前比较有热度的事情，但这个事情其实也是建立在语义、几何这些基础能力上新增的能力。36氪：物理AI的第一性原理应该是什么？赵天成：物理AI的第一性原理，本质要看做什么事情。Om AI联汇想做一个在物理世界里面能够去感知、决策、执行的物理智能体，我希望无人机、机器狗、机器人等等物理终端，它们非常聪明，物理终端之间可以交互、能够完成任务，最重要的东西其实就看要实现这个目标到底缺什么能力。现阶段语言交互越来越好了，基本不会产生什么问题，但是只要涉及开放环境，它能不能自主导航，能不能灵巧地操作和不同物件做交互，这些事情之前几乎不太可能。比如，物理交互场景下终端对实时性需求就很高，终端需要有决策中枢让它去快速决策。通过视觉中枢，实时接收外界信息，然后通过决策中枢可以自主决策此时此刻应该干什么，比如该开门还是说话等。所以当前的物理AI，是一个大楼里面，只有框架但缺的砖块还很多，需要不同团队或者不同企业去添砖加瓦，形成完整的物理AI体系。单依靠某一个模型把全部物理AI都解决，我觉得不太现实，也不符合第一性原理。人的大脑也是分区分块的，语言模型现在这么强了，到应用层也是分区分块的，物理AI更复杂，所以更加需要产业的生态协同去完成这个事情。云端AI与终端AI的区别36氪：在你看来，在方法层不同路线在物理AI落地过程中最大的瓶颈是什么？赵天成：世界模型或者别的云端模型有很大的价值，只是到终局的时候，物理AI被广泛应用的时候，必然有很强的端侧智能，这是我们相信的事情。因为物理世界本来就要交互，并且会带来很多严肃的后果。代码写错一字一行无所谓，但是机器人突然卡机不动或者摔倒了，后果是很严重的，就跟智驾一样，不能车开着就突然失灵了，这个是不可想象的。很多物理终端以后都要进入生活成为其中一个伙伴，全部由一个脑子控制也挺恐怖的，跟科幻片的反派一样，只要控制一个AI，所有终端都变成挟持人类的工具。所以我们希望是分布式的智能，跟人一样，每个大脑都是独立的，自主的。但是核心在于云端模型之外，物理AI每个端侧它具备分布式智能，而且是在本地快速、安全的响应能力，这才是一个比较稳定的结局。这也是为什么我们觉得端侧有价值。物理AI处于寒武纪，流式多模态是Om AI最重要的基础能力36氪：物理AI的竞争格局，你是怎么看的？赵天成：物理AI特别像2016年的感觉，当时深度学习语言是刚刚突破，当时我也发了最早一批生成式的语言模型，在那个时候有很多思路，也有很多问题待解决，没有人知道唯一的、收敛的终局是什么，所以我觉得当前物理AI处在一个寒武纪，类似一个物种大爆发期。物理AI这个机会太大了，我不相信物理AI只有一条路，就一个方法，就聚焦在机器人一个载体上，肯定是百花齐放。从技术侧来看，技术侧近几年通过VLM多模态的方式，在感知理解推理方面取得大幅度突破，可以做很多以前不能做的事情，但像世界模型，或者物理交互，方法又很不确定。现在既有已经突破的技术，完成从0到1的技术，也有很多需要解决从0到0.5的突破的点。现在刚好是一个交界点，从0到1的技术还没有开始规模化应用，又出现了很多0到1未解的问题。在这个点上，会有很多可能性，可以做底层突破，也可以是应用层，都有机会。36氪：Om AI押注流式多模态，是场景倒逼还是自主选择？赵天成：流式多模态是自己的选择。从问题本身出发，语言模型的核心计算单元是Token以字符串的方式处理，文本流打字聊天是可以的，因为信息是线性的字符串进来，但是到物理世界后，原生的信息输入就是视频流。视频流和文本流很不一样，文本流其实每个字都很重要，但是视频流里面大量的冗余信息，很多画面其实是没什么变化的。就像人眼看的时候，也不是每一个像素每一帧都在看，是一个自己抓重点的过程。视频流本身又是非常动态和物理世界直接对接的信息。而任何在物理世界好用的东西，交互肯定要比较丝滑，肯定要很快速地响应。物理世界是一个非常多模态的流式的交互的场景，在这个场景下面只用文本的token去做信息单元肯定是不太合适的事情，肯定需要有更加原生的方式去理解多模态的信息流。我觉得需要有不一样的技术栈和不同的方法去做才会更原生。如果用文本把信息流近似一下，就又回到了最老的那种比较笨的交互系统，又慢又傻。所以，流式多模态我们一直觉得是非常重要的基础能力，也是最不可替代的底层技术之一。36氪：物理AI是一个万亿级市场，Om AI瞄准的是哪一部分？赵天成：如果用一句话来总结的话，我们瞄准的是“从成熟硬件向新兴本体纵深演进”的物理AI终端市场。我们是这么理解的，所有事情都得有基础，就如信息化没做的时候一定做不了数字化。所以物理AI的成熟落地，和终端的商业化成熟度有正向的关系。比如摄像头，在手机电脑等个人智慧终端，本体已经很成熟了，但是现在没有物理AI能力的。再往前走一点，到无人机或者机器狗，目前已经在应用但是属于比较新兴的终端，再往前，到真正的人形机器人，或者轻量级的可穿戴设备。Om AI对硬件终端的成熟度排序，与物理AI结合也是按照先成熟，后新兴的落地顺序排序。过去几年我们跟IoT摄像头、AI PC、个人终端这些成熟产品已经开始结合，现在已经开始向无人机和机器人布局。这也是为什么我们觉得“一脑多形”的价值所在，因为“一脑多形”，才能把成熟的经验带到新的本体里面去。比如机器狗，其实本身没有什么数据，但是可以把过去上百万的摄像头或者PC的经验延续到机器狗上，让机器狗有个很好的起点，通过新的场景、新的数据反哺。市场爆发的点需要双向奔赴，硬件成熟了，AI也成熟了，结合在一起就变成了一个真正的物理AI终端。36氪：这次WAIC，Om AI的参展计划和亮点是什么？赵天成：此次重磅亮相的，是我们这次新发布的VLX模型系列。这也是我们过去一年多时间，最核心的技术突破。我们会同步展出在不同场景落地的终端产品。